中国发表 | 深度学习赋能计算病理学：临床应用、技术进展与未来方向

点击蓝字 关注“拓麦Derm”

近日，由中国医科大学附属第一医院皮肤科高兴华教授和齐瑞群教授、东北大学医学与生物信息工程学院崔笑宇教授担任通讯作者的综述正式发表于Chinese Medical Journal期刊。在该论文中，研究者系统梳理了2020-2025年深度学习在全切片病理图像分析领域的研究进展，提出了整合临床需求与技术突破的双视角框架，并创新性地建立了“临床任务映射体系”，为AI病理技术从实验室走向临床提供了系统性的参考。

深度学习在全切片病理图像分析中的主要应用领域

临床诊断与预后

● 病理图像分割：基于深度学习的分割方法，包括U-Net、Transformer和图神经网络（GNN），显著提升了病理图像的多级分析能力；自动分割可将人工标注时间从数小时缩短至几分钟，便于大规模筛查和精确定量分析；将影像数据与分子特征相结合的多模态融合，支持了针对特定区域的分级和亚型分类，从而显著增强了诊断意义。

● 疾病分级与分期：可精准捕获核多形性、腺体结构紊乱等显微特征；在前列腺癌分级中，深度学习模型已达到资深病理医生的诊断准确水平；为了更好地建模细胞之间的空间与拓扑关系，图卷积网络（GCNs）分析了细胞间的邻接性和相互作用，揭示了组织形态与临床结局之间的关联，从而在肺癌亚型分类等任务中提升了性能。

● 预后与治疗应答预测：深度学习能够从细胞细节、组织结构到肿瘤微环境等多个维度挖掘病理特征。在生存分析中，针对肺腺癌的多模态模型获得了0.753的C指数，其风险分层性能明显优于TNM分期系统（ΔC指数=0.12，P=0.003）；在结直肠癌中，相关模型已将核异常与较差的生存率联系起来，为风险评估提供了客观依据。

病理图像分析的关键技术突破

● 无注释跨类别诊断：零样本学习（ZSL）使模型无需依赖该类别的标注示例即可识别未见过的疾病类别，在难以获取标注的情况下（例如罕见病诊断和多模态医学图像分析）尤其具有重要价值。研究显示，用于处理整片切片图像的视觉语言模型在三个癌症亚型分类任务中，无需目标类标注即可实现70.2%的中位零样本准确率。

● 从H&E染色切片中进行的免疫组化（IHC）预测：深度学习直接从H&E染色图像中预测IHC结果的方法已在多种癌症类型中取得了令人鼓舞的结果。在乳腺癌中，利用深度学习模型从H&E图像预测程序性死亡配体1（PD-L1）表达，其曲线下面积（AUC）达到0.91–0.93，并在外部验证中表现出一致的性能，表明其具备良好的泛化能力。在胃癌方面，HER2Net模型在多中心测试中的准确率达到了0.892。虚拟多重染色技术的进步进一步实现了多个生物标志物的同步预测，大幅节省了时间和成本，同时避免了连续切片和复杂的图像对齐需求。

● 单细胞级病理图像分析：现代深度学习算法现已能直接从常规H&E切片中推断出单细胞空间网络。例如，HistoCell算法将病理图像与单细胞组学数据相结合，仅需最少的转录组信息即可将细胞类型和状态映射到组织学结构上，展示了从常规组织切片中提取分子信息的潜力。在单细胞定量方面，基于深度学习的无标记免疫荧光成像框架（DeepLIIF）等平台为细胞层面的染色分离、分割和定量评分提供了稳健的解决方案。通过利用合成数据生成，这些工具加速了从定性病理向定量病理的转变，并为空间解析的分子数据提供了关键连接。单细胞分辨率分析具有多方面的临床价值，它能够更准确地评估肿瘤与免疫系统的相互作用，从而指导免疫治疗的选择并预测治疗应答。

深度学习方法与技术创新

模型架构改进

● 定制化网络架构：其工作原理是通过分层融合不同放大倍数下的特征，在胶质瘤分级和泛癌症生物标志物预测中表现出良好效果；GNN进一步实现了专业化，它能明确建模肿瘤微环境的空间组织结构。通过将细胞和腺体表示为图中的节点，GNN可以分析复杂的细胞相互作用网络，相比仅依赖斑块分析的方法，提供对肿瘤进展和预后更深入的理解。

● 轻量级网络：主要采用架构优化和知识蒸馏为核心技术路径，通过深度可分离卷积、动态通道剪枝以及合理使用池化层等方法简化网络结构，并结合从大型模型中迁移知识；它能够在不增加计算开销的前提下实现精准的肿瘤区域分割。

● 基础模型的兴起：近期的病理学专用基础模型（例如Prov-GigaPath和基于Transformer的整合性肿瘤分析网络）可通过自监督学习，在大规模无标签的组织切片数据集上进行预训练，数据量通常超过十亿个图像片段。它们只需极少的任务特定数据即可快速微调，应用于分类、分割和生物标志物预测等多种下游任务。这一方法显著加快了新型人工智能工具的研发与部署进程。

训练策略优化

● 数据增强与正则化策略：对于提升模型泛化能力至关重要，能够有效减少过拟合，并适应数据分布的变化；这些策略专门针对整片切片图像的独特特性进行设计，例如复杂的空间拓扑结构、细胞排列方向以及多尺度异质性。

● 迁移学习与多任务学习：为在数据有限且任务多样化的多模态场景下提升模型的泛化能力，迁移学习（TL）和多任务学习（MTL）已成为关键策略；选择TL或MTL以及具体实施方式取决于数据特征和临床目标。

● 半监督与弱监督学习：计算病理学中的监督范式正从完全监督转向弱监督和自监督学习，以缓解标注瓶颈，这种范式的转变是推动病理学领域大规模自动化AI模型开发与应用的核心动力。

● ZSL和小样本学习（FSL）：针对在极少或无标注示例的情况下识别新类别这一根本性挑战，而这种能力对于涉及罕见疾病、新兴病理实体或快速变化的诊断情境的临床场景至关重要。ZSL通过利用语义嵌入技术，将已知和未知类别之间建立桥梁，使模型能够在没有标注示例的情况下对未见过的类别进行分类。FSL则通过元学习、指标学习以及基于微调的TL方法，利用少量来自目标类别的示例来调整模型。

可解释性研究

● 基于模型的解释：侧重于模型内在的体系结构透明度，将其与将解释应用于黑盒系统的事后方法区分开来。这种可解释的模型通常由可模拟性、可分解性和算法透明度定义。

● 算法-临床任务匹配（实践指南）（表1）：研究者围绕七个关键维度（临床任务类别、具体任务、输入数据、可用标注信息、主要挑战、推荐算法和依据）提出了“临床可操作指南”框架。该框架能够系统地将清晰界定的临床需求（通过任务、数据限制和挑战来表述）映射到经过筛选的一系列技术解决方案（即推荐算法及其使用依据）。这种方式为技术选择提供了一套结构化的推理流程，涵盖从诊断和预后到治疗指导以及特殊数据条件的广泛场景。

本综述系统梳理了全切片图像分析领域深度学习的关键进展与技术路径，对临床应用进行了批判性分析，包括病理图像分割、疾病分级分期及预后预测，并探讨了ZSL、基于H&E的免疫组化预测以及单细胞分辨率分析等新兴方法。同时，还综合总结了模型架构设计、训练策略优化以及可解释性研究方面的进展。本综述提出了一种新颖的算法—临床任务匹配框架，为根据具体数据特征和临床目标选择合适的深度学习方法与训练策略提供了实用指导。该框架有效连接了计算技术与临床需求，支持在不同癌症类型和资源条件下，合理设计用于诊断、预后判断和治疗指导的人工智能解决方案。

未来的研究方向应聚焦于提升模型性能与临床需求之间的匹配度、推进多模态数据融合、提高标注效率和数据质量，并面对可解释性与部署方面的挑战。